基准测试 Android 恶意软件检测：传统方法与深度学习模型的比较
密码学与安全
2025-07-31 v2
摘要
Android 恶意软件检测已广泛使用传统机器学习（ML）和深度学习（DL）方法进行研究。尽管许多领先的检测模型，特别是基于深度学习的模型，声称表现优异，但往往仅基于有限的比较，缺乏跨不同数据集的传统 ML 模型的全面基准测试。这引发对 DL 方法性能稳健性的疑虑，以及对更简单、更高效 ML 模型潜在被忽视的可能性。本文我们对 Android 恶意软件检测模型在四个数据集上的系统评估：三个最近发布的公开数据集和我们系统收集的大规模数据集。我们实现了包括随机森林（RF）和 CatBoost 在内的多种传统 ML 模型，以及基于 Capsule Graph Neural Networks（CapsGNN）、BERT 模型和 ExcelFormer 模型的高级深度学习模型。我们的结果表明，在许多情况下，更简单且计算更高效的 ML 模型的表现可与深度学习模型相当甚至更好。这些发现凸显了在 Android 恶意软件检测研究中进行严格基准测试的必要性。我们鼓励未来的研究在传统模型和先进模型之间进行更全面的基准测试比较，以确保对检测能力的更准确评估。为促进进一步的研究，我们提供了我们的数据集，包括应用 ID、哈希值和标签。
引用
@article{arxiv.2502.15041,
title = {Benchmarking Android Malware Detection: Traditional vs. Deep Learning Models},
author = {Guojun Liu and Doina Caragea and Xinming Ou and Sankardas Roy},
journal= {arXiv preprint arXiv:2502.15041},
year = {2025}
}
备注
10 pages, 5 figures